최근 연구에서 대규모 언어 모델(LLM)이 인간과 같은 작업 기억 능력을 갖추지 못했다는 사실이 밝혀졌습니다. 세 가지 실험을 통해 LLM의 인지 능력 한계가 입증되었으며, 향상된 작업 기억 기능을 가진 LLM 개발을 위한 추가 연구의 필요성이 강조되었습니다.

최첨단 AI 언어 모델은 독해 과정에서의 시선 지속 시간을 예측하는 데 있어 기존 모델보다 성능이 향상되었지만, 인간 독해의 복잡성을 완전히 설명하지는 못한다는 연구 결과가 발표되었습니다. 이는 AI의 발전 방향과 인간 인지의 심오함에 대한 중요한 시사점을 제공합니다.

Alayt Issak, Jeba Rezwana, Casper Harteveld가 개발한 MOSAAIC 프레임워크는 인간과 AI의 공동 창작에서 자율성, 주도성, 권한을 균형 있게 조절하는 방법을 제시하며, 172편의 논문 분석과 실제 사례 연구를 통해 그 실효성을 입증했습니다. 이는 인간과 AI의 조화로운 협력을 위한 혁신적인 모델로 평가받고 있습니다.

LLM과 강화학습을 결합하여 어셈블리 코드의 성능을 획기적으로 향상시킨 연구 결과가 발표되었습니다. Qwen2.5-Coder-7B-PPO 모델은 기존 컴파일러보다 평균 1.47배 빠른 속도를 기록하며 LLM의 코드 최적화 가능성을 입증했습니다.

Mingxuan Li, Junzhe Zhang, Elias Bareinboim 세 연구원이 발표한 논문 "Automatic Reward Shaping from Confounded Offline Data"는 관측되지 않는 교란 변수를 고려한 새로운 심층 강화학습 알고리즘을 제시합니다. 12가지 아타리 게임에서의 실험 결과, 기존 알고리즘 대비 우수한 성능을 보였습니다. 이는 인공지능의 안정적이고 효율적인 학습을 위한 중요한 진전입니다.